
大连“互联网+”时代的社会治理创新 大数据分析17万条留言有深意
当今社会,随着互联网和移动互联网的发展和普及,网络传播和运用已逐渐成为公众表达意愿、抒发情感、参与经济社会和政治生活的重要平台。2011年12月29日,大连市委、市政府正式开通了大连民意网,把“互联网+社会治理”“互联网+民生”紧密地结合在一起,在创新社会管理方面进行了有益地探索和实践。
截至今年9月28日,大连民意网共受理市民留言17.4万余条,全市104个承办单位回复率达98%以上;市民浏览留言量达2845万余人次,平均每天有两万余人次浏览;共收到市民表扬的留言1800余条,市民满意度达94%以上。民意网彻底改变了过去那种层级报告、信息不准、问题不详的工作方式,解决了摸不着门、跑累了腿的办事难问题。广大市民对民意网的关注度和依赖性与日俱增,小到衣食住行、柴米油盐等生活琐事,大到环境卫生、城市建设等空间领域,都有各阶层、各年龄段、各行业的市民参与的身影。民意网就像一个强大的磁场,凝聚和吸引了更多的社会力量,从大事着眼,从小事入手,在推动我市经济社会发展和人民安居乐业等方面发挥了重要的作用。
民意网大数据分析
转化为党委政府部门决策依据
近两年来,大连民意网的市民留言数量始终居高不下,尤其是2014年以来,随着民意网社会影响力的逐步加大,市民留言数量创下新高,2014年一年的市民留言数量超过了2012年和2013年这两年的总和。
大连民意网总体框架是“1+N”的网络工作体系。“1”是指民意网网络平台,“N”是指承办市民留言办理回复工作的单位。在“1+N”体系下,逐步形成了“主要领导负总责,分管领导牵头抓,办理部门具体干”的三级工作网络体系。目前,民意网市民留言办理回复工作已步入制度化、规范化和常态化轨道。一个“网络问政、网络行政、网络理政”的新型社会管理服务方式在我市逐步完善。每个月,相关部门都要对市民留言种类、数量等进行系统分析,并通过《大连民意网内参》和《大连民意网市民留言办理回复工作通报》进行分析通报。“市民留言,又分建议、投诉、咨询、求助等7个类别,其中投诉、咨询类数量占留言总量的50%以上。同时,我们对市民留言数量进行分析,反映问题前10位的都有哪些?涉及哪些领域?涉及哪些部门?都要在全市党政机关范围内通报。”市委督查室相关负责人表示。
专家建言:
加强参政议政功能
大连理工大学蔡小慎教授认为,从单一的政府管理走向了参与性社会治理,民意网首先解决了一个服务平台的问题,满足了市民个性化的、多元化的需求。下一步,应加强民意网参政议政的功能。“将来,我们希望公民不仅要协助政府管理,更要通过民意网这样的沟通平台,搭建‘合作’关系,提高公民主体的自主地位,和政府之间构成交互式合作关系,从单纯管理向多元治理转变,实现真正意义上的社会治理。”蔡小慎认为。
“百姓生活中的小事,其实关系着城市建设和管理的大事。通过民意网,可以及时捕捉民意,为市委市政府决策提供参考。”东北财经大学教授张军涛表示。他说,政府是公共管理的重要主体,而民众也是公共管理的主体。民意网的建设,是大连市建设服务性政府的成功举措,通过充分利用网络信息平台,搭建了民众和市委市政府之间的沟通桥梁。大连民意网应充分利用大数据时代的优势,与政府有关部门网站进行信息资源整合,合理分类,增强其服务范围和功能。张军涛说:“互联网+社会治理,体现了公民网络的参与性,市委市政府应建立有效的决策回应机制,进一步促使社会治理有序健康发展。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29